L'équipe Hunyuan de Tencent a lancé Hy-Nomas, un modèle ouvert qui fabrique un monde vidéo morceau par morceau et laisse l'utilisateur en prendre la direction au fil de la génération, en donnant à chaque tour une nouvelle consigne écrite ou un mouvement de caméra. Le code a été mis en ligne sur GitHub le 21 octobre 2026, les poids ont été déposés sur Hugging Face le même jour, et l'équipe a annoncé la sortie le 23 octobre depuis son compte officiel sur X, Tencent Hy. Code et poids sont proposés sous licence Apache 2.0.
Contrairement à un outil de génération vidéo classique, qui produit un seul clip figé à partir d'une requête, Hy-Nomas procède par segments. Chacun est créé par un transformeur de diffusion qui tient compte de la dernière consigne, d'une éventuelle trajectoire de caméra et d'un cache clé-valeur conservant tout ce qui a déjà été produit. On peut ajouter des objets, changer de style ou de décor, décrire des actions ou déplacer le point de vue, et le modèle poursuit dans le même univers. La page du projet annonce 8 milliards de paramètres, une sortie en 720p, jusqu'à 60 secondes de vidéo continue et un contexte de 360 000 tokens, et montre des démonstrations où la caméra s'éloigne largement puis revient sur une vue antérieure avec un arrière-plan intact.
D'après la page du projet et la fiche du modèle, l'architecture repose sur 54 blocs MMDiT à double flux reliant texte et vidéo, une attention croisée dédiée à la caméra orientant la partie visuelle. Un encodeur de texte Qwen2.5-VL lit les consignes, et un décodeur PixelUMM affiné transforme les représentations latentes DCAE-V à 32 canaux en images. Un mécanisme d'attention attentif aux actions garde les descriptions de scène accessibles d'un segment à l'autre tout en cantonnant chaque action à sa fenêtre temporelle, et une méthode d'entraînement que Tencent appelle Segment Forcing habitue le modèle à son propre historique prédit. Une version distillée génère chaque segment en quatre à huit étapes de débruitage.
Pour un modèle de ce type, la publication est d'une rare complétude. Le dépôt Hugging Face réunit un point de départ pour l'adaptation, le modèle distillé et une variante INT8, des adaptateurs LoRA pour un rendu cinématographique et pour la robotique à deux bras, entraînés sur le jeu de données RealSource-World, l'autoencodeur vidéo, les décodeurs, ainsi qu'un modèle de réécriture des consignes baptisé Nomas-PE, utilisé par la démonstration. Le dépôt GitHub ajoute le code d'entraînement, d'inférence et d'annotation, une démonstration web et une intégration de diffusion en continu avec Reactor Runtime. Tencent a également publié Hy-Nomas-Bench, 280 cas de test portant sur le pilotage par texte en plusieurs tours, le pilotage de caméra, le pilotage mixte et la mémoire spatiale, ainsi qu'une prise en charge par Diffusers qui s'installe pour l'instant depuis une version dérivée et non depuis la bibliothèque principale.
Les besoins matériels varient fortement. Selon Tencent, le modèle peut tourner sur une seule NVIDIA GeForce RTX 4090 si l'on stocke poids et cache en INT8, si l'on borne l'historique par une fenêtre glissante et si l'on déporte certains composants vers le processeur, au prix d'une mémoire du monde plus courte et d'une génération plus lente. Le profil de diffusion en temps réel testé mobilise en revanche huit GPU NVIDIA B200, au moins 128 Go de mémoire vive côté serveur et environ 80 Go de fichiers de poids, tandis que l'exemple d'adaptation est calibré pour 128 GPU.
L'adoption naissante se voit, mais reste limitée. Au 26 octobre, le message d'annonce cumulait environ 60 000 vues et 900 mentions « j'aime » sur X, des portages communautaires pour ComfyUI étaient apparus sur Hugging Face en quelques heures, et le dépôt GitHub comptait environ 186 étoiles. Le rapport technique est indiqué « à venir », et Tencent n'a pas encore publié de comparaison chiffrée avec d'autres modèles de mondes : les affirmations sur la qualité et la cohérence reposent donc pour l'instant sur ses propres démonstrations.
Pour les créateurs de jeux, de simulations ou de systèmes d'IA incarnée, un modèle de mondes interactif sous licence ouverte, livré avec du code d'adaptation et un adaptateur robotique, constitue un ajout notable dans un domaine où bon nombre des systèmes les plus connus ne sont pas téléchargeables. Sa valeur réelle se précisera avec la parution du rapport et des premiers essais indépendants.